CrossWalk：公平性增强的节点表示学习

机器学习系统放大社会不平等与不公的潜力正受到越来越多的公众与学术关注。近期许多工作聚焦于开发算法工具以评估并缓解此类不公平性。然而，关于增强图算法公平性的研究甚少。本文提出一种简单、有效且通用的方法 CrossWalk，可增强应用于节点嵌入的各类图算法（包括影响力最大化、链接预测与节点分类）的公平性。CrossWalk 适用于任何基于随机游走的节点表示学习算法，如 DeepWalk 与 Node2Vec。其核心思想是通过对如下边赋予更高权重来偏置随机游走以跨越组边界：(1) 更靠近各组边缘的边，或 (2) 连接网络中不同组的边。CrossWalk 将靠近组边缘的节点在嵌入空间中拉向其来自其他组的邻居，同时保留图所需的结构性质。大量实验表明，我们的算法在合成与真实网络中的各类图算法（包括影响力最大化、链接预测与节点分类）上增强公平性的有效性，且性能仅有极小下降。